一种煤与瓦斯共采作业协调状态实时判识与动态调控方法

1.本发明涉及煤矿安全领域，特别涉及一种煤与瓦斯共采作业协调状态实时判识与动态调控方法。


背景技术：

2.煤炭作为我国经济发展的重要能源，煤炭资源稳定有序供给将是保障社会经济稳定发展的关键。近年来，我国煤炭开采技术不断发展，煤炭资源得到了充分的开发与利用。但是国内的煤层具有瓦斯压力高、含量大、渗透率低和吸附性强等特点，并随着煤炭开采往深部延伸，这些煤层赋存特点将更加显著，极易引起瓦斯事故的发生。因此，亟需采取有效措施减少瓦斯事故发生，保障煤炭资源安全开发。
3.煤矿企业在现有煤炭开采过程中对瓦斯浓度、瓦斯涌出量和瓦斯放散初速度进行定期监测。当井下瓦斯浓度超过既定标准时，煤矿将立即停止井下作业并及时采取相应的瓦斯处理措施，以控制井下瓦斯浓度达到安全作业标准。而停止煤炭开采将直接影响煤炭产量等直接影响煤矿企业的经济收入。此外，通过采用增加井下瓦斯抽采钻孔、提高瓦斯抽采速度等治理瓦斯方法也将进一步增大煤矿企业生产成本。对此，现有研究发现，煤炭开采能有效释放周围岩层压力，增强煤体渗透性，促进瓦斯解吸流动。同时，瓦斯抽采可以减少瓦斯超限和煤与瓦斯突出事故发生，实现作业安全。如果煤与瓦斯抽采之间作业不协调，即瓦斯抽采效果不佳，将削弱煤体强度，易引发瓦斯超限或突出事故发生。此外，煤层压力得不到充分卸压，煤层瓦斯难以解吸抽采，导致瓦斯抽采效率低下，增大生产成本。
4.因此，在煤矿开采过程中亟需合理规划煤炭开采与瓦斯抽采进程形成煤与瓦斯协调共采，进而在保障煤矿生产进度的同时减少瓦斯事故的发生。开发一种煤与瓦斯协调共采实时评价与动态调控方法具有重大意义。


技术实现要素：

5.本发明的目的是提供一种煤与瓦斯共采作业协调状态实时判识与动态调控方法，以解决现有技术中存在的问题。
6.为实现本发明目的而采用的技术方案是这样的，一种煤与瓦斯共采作业协调状态实时判识与动态调控方法，包括以下步骤：
7.1)获取煤矿现场作业实际监测数据，明确煤与瓦斯共采作业指标。其中，煤与瓦斯共采作业指标包括煤炭开采作业指标和瓦斯抽采作业指标。所述煤炭开采作业指标包括掘进进尺、回采进尺、矿压和采煤量。所述瓦斯抽采作业指标包括工作面风排瓦斯量、风速、瓦斯抽采量、残余瓦斯含量、钻屑量、
△
h2值、瓦斯放散初速度和钻孔进尺。
8.2)将收集得到的煤与瓦斯共采作业指标数据进行数据清洗，剔除无效数据，并以作业时间顺序对指标数据进行排列组合，最后对指标数据进行标准化处理。依据煤矿现场煤与瓦斯共采作业状态划分煤与瓦斯共采等级。其中，将煤与瓦斯共采状态按照作业效率划分为高级协调、中级协调、初级协调和不协调4种等级。以待评价数据列为起始数据(t)，
当煤矿企业第二列数据(t+1)中存在瓦斯问题需停工治理的情况，将待评价的煤与瓦斯共采作业状态定义为不协调。当煤矿企业第三列数据(t+2)中面临瓦斯问题需停工治理的情况，将待评价煤与瓦斯共采作业状态定义为初级协调。当煤矿企业第四列数据(t+3)中面临瓦斯问题需停工治理的情况，将待评价的煤与瓦斯共采作业状态定义为中级协调。当煤矿企业第五列数据(t+4)或在此之后的数据才面临瓦斯问题需停工治理的情况，将此时的煤与瓦斯共采作业状态定义为高级协调。
9.在实现煤与瓦斯共采作业状态分级的基础上，结合煤矿企业经济效益将煤与瓦斯共采状态按照经济效益划分为高级协调、中级协调、初级协调和不协调4种等级。当煤与瓦斯共采作业状态为不协调时，无论煤矿企业是否盈利其最终煤与瓦斯共采作业状态均为不协调。当煤与瓦斯共采作业状态为初级协调时，若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出时，则其最终煤与瓦斯共采作业状态为不协调，否则仍为初级协调。当煤与瓦斯共采作业状态为中级协调时，若煤矿企业煤炭开采与瓦斯抽采效益维持收支平衡持续一周以上，则此刻最终煤与瓦斯共采作业状态为初级协调，若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出时，则最终煤与瓦斯共采作业状态为不协调，若未出现上述两种状况，则煤与瓦斯共采作业状态仍为中级协调。当煤与瓦斯共采作业状态为高级协调时，若煤矿企业煤炭开采与瓦斯抽采效益能够实现煤矿盈利则其煤与瓦斯共采作业状态最终分级结果为高级协调。若煤矿企业煤炭开采与瓦斯抽采效益能够实现煤矿收支平衡则其煤与瓦斯共采作业状态最终分级结果为中级协调。若煤矿企业煤炭开采与瓦斯抽采效益维持收支平衡状态持续了一周以上，则煤与瓦斯共采状态的分级结果为初级协调。若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出则其煤与瓦斯共采作业状态最终分级结果为不协调。
10.3)对下一阶段煤与瓦斯共采作业进行动态预测评价与静态预测评价，并将动态评价预测结果与静态评价预测进行加权结合。其中，动态预测评价和静态预测评价通过煤与瓦斯共采指标变量预测模型与煤与瓦斯共采实时评价模型相结合实现。所述煤与瓦斯共采实时评价模型包括煤与瓦斯共采静态评价模型和煤与瓦斯共采动态评价模型。步骤3)具体包括以下子步骤：
11.3.1)煤与瓦斯共采指标变量预测模型基于当前作业数据对未来t+1、t+2、t+3和t+4阶段的煤与瓦斯共采作业状态进行预测。
12.3.2)将得到的未来t+1、t+2、t+3和t+4阶段预测指标变量数据代入煤与瓦斯共采静态评价模型中，得到在未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态评价结果p
dt+1
、p
dt+2
、p
dt+3
和p
dt+4
。
13.3.3)将得到的未来t+1、t+2、t+3和t+4阶段作业预测数据代入煤与瓦斯共采动态评价模型中得到未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态评价结果p
jt+1
、p
jt+2
、p
jt+3
和p
jt+4
。展现现阶段煤与瓦斯共采效果对未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采效果的影响。
14.3.4)将动态评价预测结果与静态评价预测进行加权结合，得到未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态实时评价结果p
st+1
、p
st+2
、p
st+3
和p
st+4
。
15.4)当未来t+1、t+2、t+3或t+4阶段存在非高级协调的状态时，制定调控方案。基于煤矿现场作业条件明确所能进行调控的调控变量。构建动态调控目标函数，采用智能优化模型实现在可行域内快速寻找目标函数最优值。通过得到的目标函数最优值进一步得到每
个调控变量调控的最优值，进一步形成动态调控方案。
16.进一步，步骤3)中，煤与瓦斯共采指标变量预测模型通过对煤与瓦斯指标变量数据进行学习得到。
17.进一步，煤与瓦斯共采指标变量预测模型采用lstm预测算法、arima算法、bp神经网络预测算法或灰色预测算法对煤与瓦斯共采作业数据进行学习，预测未来t+1、t+2、t+3和t+4阶段的作业数据。
18.进一步，步骤3)所采用的煤与瓦斯共采实时评价模型选用贝叶斯网络评价模型、随机森林算法评价模型或动态故障树算法评价模型。
19.进一步，步骤3)所采用的煤与瓦斯共采实时评价模型的构建过程包括以下步骤：
20.a)进行煤与瓦斯共采贝叶斯网络模型结构学习，得到煤与瓦斯共采贝叶斯网络模型结构。步骤a)具体包括以下子步骤：
21.a.1)确定煤与瓦斯共采贝叶斯网络模型结构的评分函数。
[0022][0023]
式中，bs为具有最大后验概率的网络结构。d为数据集。n为样本变量数量。i为第a个变量。ri为选取的变量数量。j为变量父节点的第j个取值。k为第i个变量的第k个取值。n
ij
为包含节点变量的所有取值，并且该变量的父节点的第j个取值对应的记录数目。n
jik
为包含节点变量的所有取值，并且该变量的父节点的第j个取值对应的值，且变量的第k个取值。q为父节点，n，i，j，k∈n。p(bs,d)函数的分值越大，说明变量间的关联强度越好。
[0024]
a.2)确定煤与瓦斯共采贝叶斯网络模型结构的搜索策略。其中，搜索策略选用贪心搜索策略。
[0025]
b)进行煤与瓦斯共采贝叶斯网络模型参数学习，得到煤与瓦斯共采指标间的条件概率。将步骤a)得到的煤与瓦斯共采贝叶斯网络结构和条件概率结合，得到煤与瓦斯共采贝叶斯静态评价网络。
[0026]
c)对煤与瓦斯作业状态等级进行统计，得到煤与瓦斯贝叶斯转移网络的转移概率值。将步骤b)得到的煤与瓦斯共采静态贝叶斯静态评价网络和转移概率值结合，得到煤与瓦斯共采动态贝叶斯网络。
[0027]
进一步，步骤4)具体包括以下子步骤：
[0028]
4.1)对各个煤与瓦斯共采作业指标从灵敏度大小和煤矿现场可操作性维度出发进行筛选，筛选出调控指标k1、k2、k3、
……
、kn′
。
[0029]
4.2)明确每个调控指标的动态调控值
△
d1、
△
d2、
△
d3、
……
、
△dn
。将动态调控值与现有调控指标值相加得到调控后的指标值k1、k2、k3、
……
、kn′
。
[0030]
4.3)得到调控后未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态。
[0031]
4.4)搜索最优的动态调控值
△
d1、
△
d2、
△
d3……△dn
′
，并与现有调控指标值值k1、k2、k3、
……
、kn′
相加，得到调控后的指标值k1、k2、k3、
……
、kn′
。
[0032]
进一步，步骤2)中，指标数据标准化处理前还具有制定指标取值的合理区间与最优值的相关步骤。结合煤矿现场的作业能力以及煤矿安全生产标准确定合理区间。综合考虑安全、经济和效率因素确定最优值。步骤4.2)中，每个调控指标动态调控后的值满足取值区间。
[0033]
进一步，步骤4.4)具体包括以下子步骤：
[0034]
4.4.1)制定目标函数。
[0035]
4.4.2)制定搜索过程。
[0036]
4.4.)优化搜索得到煤与瓦斯共采作业动态调控值
△
d1、
△
d2、
△
d3……△dn
′
，并与现有调控指标值值k1、k2、k3……kn
′
相加，得到调控后的指标值k1、k2、k3……kn
′
。
[0037]
进一步，步骤4.4)中采用天鹰智能优化算法、遗传算法、粒子群算法、模拟退火算法或鲸鱼优化算法搜索最优动态调控值。
[0038]
进一步，步骤4)之后，还具有将调控后的作业数据用于下一阶段的煤与瓦斯共采作业指导，防范非高级协调状态发生的相关步骤。
[0039]
本发明的技术效果是毋庸置疑的：
[0040]
a.提出考虑历史作业数据与现阶段作业数据综合评价的煤与瓦斯共采作业动静结合实时评价模型，破解现有技术难以实时了解煤与瓦斯共采作业协调状态的技术难题；
[0041]
b.提出下一阶段煤与瓦斯共采作业进行动态预测评价与静态预测评价相结合的方法，使煤与瓦斯共采作业状态预测更加精确，促进煤与瓦斯共采作业状态透明化；
[0042]
c.构建煤与瓦斯共采作业动态调控模型，实现煤与瓦斯共采作业动态化调整，进而保障了下一阶段煤与瓦斯共采作业状态处于高级协调状态。
附图说明
[0043]
图1为方法流程图；
[0044]
图2为贝叶斯网络示意图；
[0045]
图3为贝叶斯网络结构学习示意图；
[0046]
图4为动态贝叶斯建立过程示意图；
[0047]
图5为天鹰优化算法收索过程示意图。
具体实施方式
[0048]
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
[0049]
实施例1：
[0050]
煤与瓦斯共采过程中历史作业结果同样会对现阶段作业产生影响。如何有些结合历史作业数据与现阶段作业监测数据实时精确评价煤与瓦斯共采协调状态，并依据实时评价结果动态化调控作业方案进而保障煤与瓦斯共采实时达到最优协调将有利于煤矿安全高效生产。
[0051]
参见图1～图4，针对现有煤矿作业过程缺少从时序性角度出发的煤与瓦斯共采作业状态实时判识技术，从而导致煤与瓦斯共采难以实时对其作业协调度进行精确评判，进而增大停工进行瓦斯治理几率与瓦斯事故风险等问题。本实施例提供一种煤与瓦斯共采作业协调状态实时判识与动态调控方法，包括以下步骤：
[0052]
1)获取煤矿现场作业实际监测数据，明确煤与瓦斯共采作业指标。其中，煤与瓦斯共采作业指标包括煤炭开采作业指标和瓦斯抽采作业指标。所述煤炭开采作业指标包括掘
进进尺、回采进尺、矿压和采煤量。所述瓦斯抽采作业指标包括工作面风排瓦斯量、风速、瓦斯抽采量、残余瓦斯含量、钻屑量、
△
h2值、瓦斯放散初速度和钻孔进尺。
[0053]
2)将收集得到的煤与瓦斯共采作业指标数据进行数据清洗，剔除无效数据，并以作业时间顺序对指标数据进行排列组合。制定指标取值的合理区间与最优值。结合煤矿现场的作业能力以及煤矿安全生产标准确定合理区间。综合考虑安全、经济和效率因素确定最优值。最后对指标数据进行标准化处理。依据煤矿现场煤与瓦斯共采作业状态划分煤与瓦斯共采等级。其中，将煤与瓦斯共采状态按照作业效率划分为高级协调、中级协调、初级协调和不协调4种等级。以待评价数据列为起始数据(t)，当煤矿企业第二列数据(t+1)中存在瓦斯问题需停工治理的情况，将待评价的煤与瓦斯共采作业状态定义为不协调。当煤矿企业第三列数据(t+2)中面临瓦斯问题需停工治理的情况，将待评价煤与瓦斯共采作业状态定义为初级协调。当煤矿企业第四列数据(t+3)中面临瓦斯问题需停工治理的情况，将待评价的煤与瓦斯共采作业状态定义为中级协调。当煤矿企业第五列数据(t+4)或在此之后的数据才面临瓦斯问题需停工治理的情况，将此时的煤与瓦斯共采作业状态定义为高级协调。
[0054]
在实现煤与瓦斯共采作业状态分级的基础上，结合煤矿企业经济效益将煤与瓦斯共采状态按照经济效益划分为高级协调、中级协调、初级协调和不协调4种等级。当煤与瓦斯共采作业状态为不协调时，无论煤矿企业是否盈利其最终煤与瓦斯共采作业状态均为不协调。当煤与瓦斯共采作业状态为初级协调时，若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出时，则其最终煤与瓦斯共采作业状态为不协调，否则仍为初级协调。当煤与瓦斯共采作业状态为中级协调时，若煤矿企业煤炭开采与瓦斯抽采效益维持收支平衡持续一周以上，则此刻最终煤与瓦斯共采作业状态为初级协调，若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出时，则最终煤与瓦斯共采作业状态为不协调，若未出现上述两种状况，则煤与瓦斯共采作业状态仍为中级协调。当煤与瓦斯共采作业状态为高级协调时，若煤矿企业煤炭开采与瓦斯抽采效益能够实现煤矿盈利则其煤与瓦斯共采作业状态最终分级结果为高级协调。若煤矿企业煤炭开采与瓦斯抽采效益能够实现煤矿收支平衡则其煤与瓦斯共采作业状态最终分级结果为中级协调。若煤矿企业煤炭开采与瓦斯抽采效益维持收支平衡状态持续了一周以上，则煤与瓦斯共采状态的分级结果为初级协调。若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出则其煤与瓦斯共采作业状态最终分级结果为不协调。
[0055]
3)对下一阶段煤与瓦斯共采作业进行动态预测评价与静态预测评价，并将动态评价预测结果与静态评价预测进行加权结合。其中，动态预测评价和静态预测评价通过煤与瓦斯共采指标变量预测模型与煤与瓦斯共采实时评价模型相结合实现。所述煤与瓦斯共采实时评价模型包括煤与瓦斯共采静态评价模型和煤与瓦斯共采动态评价模型。步骤3)具体包括以下子步骤：
[0056]
3.1)煤与瓦斯共采指标变量预测模型基于当前作业数据对未来t+1、t+2、t+3和t+4阶段的煤与瓦斯共采作业状态进行预测。
[0057]
3.2)将得到的未来t+1、t+2、t+3和t+4阶段预测指标变量数据代入煤与瓦斯共采静态评价模型中，得到在未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态评价结果p
dt+1
、p
dt+2
、p
dt+3
和p
dt+4
。
[0058]
3.3)将得到的未来t+1、t+2、t+3和t+4阶段作业预测数据代入煤与瓦斯共采动态
评价模型中得到未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态评价结果p
jt+1
、p
jt+2
、p
jt+3
和p
jt+4
。展现现阶段煤与瓦斯共采效果对未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采效果的影响。
[0059]
3.4)将动态评价预测结果与静态评价预测进行加权结合，得到未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态实时评价结果p
st+1
、p
st+2
、p
st+3
和p
st+4
。
[0060]
值得说明的是，本实施例选用的评价模型需存在一下特征：一、对煤与瓦斯共采结果进行静态评价，通过对现有数据的进行分析，实现实时评价并输出评价结果；二、能够进行动态评价，通过学习历史评价数据，对现阶段作业效果进行评价。
[0061]
所构建的煤与瓦斯共采静态评价模型，通过静态评价展现现阶段煤与瓦斯共采作业结果。但静态评价结果难以体现煤与瓦斯共采作业受上一阶段作业影响的特征。
[0062]
所构建的煤与瓦斯共采动态评价模型，通过动态化评价，展现过去一段时间作业效果对现阶段作业效果的影响。但动态评价难以体现现阶段作业结果与上一阶段作业结果对煤与瓦斯共采的影响。
[0063]
因此，本实施例权利要求提出一种动静结合的实时评价方法，即将构建的煤与瓦斯静态评价模型与动态评价模型进行加权结合，得到动静结合实时评价结果。通过动静结合实时评价，进一步考虑现阶段作业结果与上一阶段作业结果对煤与瓦斯共采的影响。
[0064]
动静结合评价的实时评价方法阐明了煤与瓦斯共采作业的连续性，煤与瓦斯共采作业受上一阶段作业影响的理念。同时煤与瓦斯共采作业状态也是实时更新的作业过程，更新的数据同样会影响到当前阶段共采作业状态。通过动静结合使得实时评价结果更加准确。
[0065]
4)当未来t+1、t+2、t+3或t+4阶段存在非高级协调的状态时，制定调控方案。基于煤矿现场作业条件明确所能进行调控的调控变量。构建动态调控目标函数，采用智能优化模型实现在可行域内快速寻找目标函数最优值。通过得到的目标函数最优值进一步得到每个调控变量调控的最优值，进一步形成动态调控方案。步骤4)具体包括以下子步骤：
[0066]
4.1)对各个煤与瓦斯共采作业指标从灵敏度大小和煤矿现场可操作性维度出发进行筛选，筛选出调控指标k1、k2、k3、
……
、kn′
。
[0067]
4.2)明确每个调控指标的动态调控值
△
d1、
△
d2、
△
d3、
……
、
△dn
。将动态调控值与现有调控指标值相加得到调控后的指标值k1、k2、k3、
……
、kn′
。每个调控指标动态调控后的值满足取值区间。
[0068]
4.3)得到调控后未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态。
[0069]
4.4)搜索最优的动态调控值
△
d1、
△
d2、
△
d3……△dn
′
，并与现有调控指标值值k1、k2、k3、
……
、kn′
相加，得到调控后的指标值k1、k2、k3、
……
、kn′
。在实际生产中，采用天鹰智能优化算法、遗传算法、粒子群算法、模拟退火算法或鲸鱼优化算法搜索最优动态调控值。步骤4.4)具体包括以下子步骤：
[0070]
4.4.1)制定目标函数。
[0071]
4.4.2)制定搜索过程。
[0072]
4.4.3)优化搜索得到煤与瓦斯共采作业动态调控值
△
d1、
△
d2、
△
d3……△dn
′
，并与现有调控指标值值k1、k2、k3……kn
′
相加，得到调控后的指标值k1、k2、k3……kn
′
。
[0073]
5)将调控后的作业数据用于下一阶段的煤与瓦斯共采作业指导，防范非高级协调
状态发生。
[0074]
本实施例从技术、经济效益角度出发对煤与瓦斯共采作业协调等级进行划分，并针对煤与瓦斯作业协调状态进行实时判识与动态调控。该方法创新性地将煤与瓦斯共采作业过程中的历史作业状态与现阶段作业状态相互结合、综合评价，并依据煤与瓦斯共采作业大数据探索作业指标之间的相互联系，进而建立考虑历史作业数据与现阶段作业数据综合评价的煤与瓦斯共采作业动静结合实时评价模型，保障评价结果的精确性、实时性与客观性。破解现有难以实施了解煤与瓦斯共采作业协调状态的技术难题。此外，本实施例进一步提出下一阶段煤与瓦斯共采作业进行动态预测评价与静态预测评价方法，使煤与瓦斯共采作业状态预测更加精确，促进煤与瓦斯共采作业状态透明化。最后，本实施例构建煤与瓦斯共采作业动态调控模型，实现煤与瓦斯共采作业动态化调整，进而保障了下一阶段煤与瓦斯共采作业状态处于高级协调状态。本实施例为预先防范煤与瓦斯共采作业不协调发生，为保障煤矿作业安全提供了有效的技术支撑。
[0075]
实施例2：
[0076]
本实施例主要步骤同实施例1，其中，煤与瓦斯共采指标变量预测模型通过对煤与瓦斯指标变量数据进行学习得到。在实际生产中，煤与瓦斯共采指标变量预测模型采用lstm预测算法、arima算法、bp神经网络预测算法或灰色预测算法对煤与瓦斯共采作业数据进行学习，预测未来t+1、t+2、t+3和t+4阶段的作业数据。
[0077]
实施例3：
[0078]
本实施例主要步骤同实施例2，其中，lstm算法包含遗忘门、输入门、神经单元更新与输出门。将煤矿企业煤与瓦斯共采作业历史数据代入lstm智能预测算法中，首先将进入遗忘门，通过遗忘门筛选出合适的煤与瓦斯共采作业数据。遗忘门公式如下：
[0079][0080]
式中x
t
表示t阶段的煤与瓦斯共采的历史作业数据输入，h
t-1
表示上一阶段预测结果的输出，wf和bf表示当前计算对应的权重矩阵和偏置，c
t-1
表示上一阶段的神经单元的作业状态，σ表示sigmoid函数，表示对应元素的乘积。
[0081]
经过遗忘门筛选后的煤与瓦斯共采历史作业数据将进入到输入门，同时进一步依据输入的数据更新计算临时神经单元状态。输入门公式如下。
[0082][0083]c′
t
＝tanh(w
xc
x
t
+w
hcht-1
+bc)
[0084]
式中w
xi
、w
hi
、w、w
ci
、w
xc
、w
hc
、bi、bc分别表示当前计算对应的权重矩阵和偏置。并结合双曲正切函数处理输入数据x
t
和上一阶段的输出h
t-1
对神经单元状态进行计算得到临时神经单元c
′
t
。
[0085][0086]
式中f
t
表示遗忘门的数据输出，i
t
表示输入门的数据输出，c
t-1
表示上一阶段的神经单元状态。
[0087]
最后通过lstm的输出门输出当前阶段的输出值h
t-1
。其计算公式如下。
[0088][0089]
[0090]
式中w
xo
、w
ho
、w
co
和b0分别是输出门对应的权重矩阵和偏置，o
t
为输出门的输出，h
t
为当前阶段神经单元输出的煤与瓦斯共采预测数据。
[0091]
将煤与瓦斯共采作业历史数据输入到lstm智能预测模型中得到了未来t+1、t+2、t+3、t+4阶段作业预测数据。将得到的未来t+1、t+2、t+3、t+4阶段作业预测数据代入煤与瓦斯共采静态贝叶斯模型中得到未来t+1、t+2、t+3、t+4阶段煤与瓦斯共采作业状态评价结果p
jt+1
、p
jt+2
、p
jt+3
、p
jt+4
。即实现基于未来作业数据对未来作业状态的评价。将得到的动态评价预测结果与静态评价预测进行加权结合，得到未来t+1、t+2、t+3、t+4阶段煤与瓦斯共采作业状态实时评价结果p
st+1
、p
st+2
、p
st+3
、p
st+4
。其加权结合公式如下：
[0092]
p
st+n
＝α
′
p
jt+n
+β
′
p
dt+n
n＝1,2,3,4
[0093][0094][0095]
由动态预测评价与静态预测评价相结合，实现煤与瓦斯共采作业状态预测评价的动静结合，进而实现更加精准的预测评价。
[0096]
实施例4：
[0097]
本实施例主要步骤同实施例1，其中，在实际生产中，采用的煤与瓦斯共采实时评价模型选用贝叶斯网络评价模型、随机森林算法评价模型或动态故障树算法评价模型。本实施例采用的煤与瓦斯共采实时评价模型选用贝叶斯网络评价模型。煤与瓦斯共采实时评价模型的构建过程包括以下步骤：
[0098]
a)进行煤与瓦斯共采贝叶斯网络模型结构学习，得到煤与瓦斯共采贝叶斯网络模型结构。步骤a)具体包括以下子步骤：
[0099]
a.1)确定煤与瓦斯共采贝叶斯网络模型结构的评分函数。
[0100][0101]
式中，bs为具有最大后验概率的网络结构。d为数据集。n为样本变量数量。i为第a个变量。ri为选取的变量数量。j为变量父节点的第j个取值。k为第i个变量的第k个取值。n
ij
为包含节点变量的所有取值，并且该变量的父节点的第j个取值对应的记录数目。n
jik
为包含节点变量的所有取值，并且该变量的父节点的第j个取值对应的值，且变量的第k个取值。q为父节点，n，i，j，k∈n。p(bs,d)函数的分值越大，说明变量间的关联强度越好。
[0102]
a.2)确定煤与瓦斯共采贝叶斯网络模型结构的搜索策略。其中，搜索策略选用贪心搜索策略。首先假设随机变量是有顺序的，如果xi在xj之前，那么不存在从xj到xi的连接线。同时假设每个变量最多的父变量个数为u。每次挑选使评分函数最大的父变量放入集合，当搜索过程无法使评分函数增大时，停止循环。
[0103]
b)进行煤与瓦斯共采贝叶斯网络模型参数学习，得到煤与瓦斯共采指标间的条件概率。将步骤a)得到的煤与瓦斯共采贝叶斯网络结构和条件概率结合，得到煤与瓦斯共采贝叶斯静态评价网络。
[0104]
c)对煤与瓦斯作业状态等级进行统计，得到煤与瓦斯贝叶斯转移网络的转移概率
值。将步骤b)得到的煤与瓦斯共采静态贝叶斯静态评价网络和转移概率值结合，得到煤与瓦斯共采动态贝叶斯网络。
[0105]
实施例5：
[0106]
本实施例主要步骤同实施例1，其中，本实施例包括以下步骤：
[0107]
1)获取煤矿现场作业实际监测数据，明确煤与瓦斯共采作业指标。其中，煤与瓦斯共采作业指标包括煤炭开采作业指标和瓦斯抽采作业指标。所述煤炭开采作业指标包括掘进进尺、回采进尺、矿压和采煤量。所述瓦斯抽采作业指标包括工作面风排瓦斯量、风速、瓦斯抽采量、残余瓦斯含量、钻屑量、
△
h2值、瓦斯放散初速度和钻孔进尺。
[0108]
2)将收集得到的煤与瓦斯共采作业指标数据进行标准化处理，并依据煤矿现场煤与瓦斯共采作业状态划分煤与瓦斯共采等级。其中，指标数据标准化处理前制定指标取值的合理区间与最优值。合理区间的确定需结合煤矿现场的作业能力以及煤矿安全生产标准。最优值的确定需综合考虑安全、经济和效率等因素。
[0109]
以工作面回采进尺为例。工作面每天回采进尺需符合煤矿企业所采用的采煤机的生产能力，同时合理区间的范围需符合行业生产标准，基于上述两个要求得到相应的合理区间[a,c]。
[0110]
工作面每天回采进尺最优值的选取需综合考虑煤矿企业生产过程中的安全、经济和效率等因素。当回采进尺过快时，容易引起瓦斯事故、冒顶事故的发生，进而导致作业不安全。当回采进尺过慢时，则会容易导致煤矿企业生产效率地下，生产进度滞后，生产成本增大。基于对上述因素的综合考虑，得到工作面回采进尺的最优值b，b∈[a,c]。
[0111]
令xh为工作面回采进尺的现场监测值。
[0112][0113]
通过上述公式实现了对工作面回采进尺数据的标准化处理。将收集得到的煤与瓦斯共采作业指标数据进行数据清洗，剔除无效数据，并以作业时间顺序对指标数据进行排列组合，最后对指标数据进行标准化处理。依据煤矿现场煤与瓦斯共采作业状态划分煤与瓦斯共采等级；其中，将煤与瓦斯共采状态按照作业效率划分为高级协调、中级协调、初级协调和不协调4种等级；以待评价数据列为起始数据(t)，当煤矿企业第二列数据(t+1)中存在瓦斯问题需停工治理的情况，将待评价的煤与瓦斯共采作业状态定义为不协调；当煤矿企业第三列数据(t+2)中面临瓦斯问题需停工治理的情况，将待评价煤与瓦斯共采作业状态定义为初级协调；当煤矿企业第四列数据(t+3)中面临瓦斯问题需停工治理的情况，将待评价的煤与瓦斯共采作业状态定义为中级协调；当煤矿企业第五列数据(t+4)或在此之后的数据才面临瓦斯问题需停工治理的情况，将此时的煤与瓦斯共采作业状态定义为高级协调；
[0114]
在实现煤与瓦斯共采作业状态分级的基础上，进一步结合煤矿企业经济效益，将煤与瓦斯共采状态按照经济效益划分为高级协调、中级协调、初级协调和不协调4种等级；
当煤与瓦斯共采作业状态为不协调时，无论煤矿企业是否盈利其最终煤与瓦斯共采作业状态均为不协调；当煤与瓦斯共采作业状态为初级协调时，若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出时，则其最终煤与瓦斯共采作业状态为不协调，否则仍为初级协调；当煤与瓦斯共采作业状态为中级协调时，若煤矿企业煤炭开采与瓦斯抽采效益维持收支平衡持续一周以上，则此刻最终煤与瓦斯共采作业状态为初级协调，若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出时，则最终煤与瓦斯共采作业状态为不协调，若未出现上述两种状况，则煤与瓦斯共采作业状态仍为中级协调；当煤与瓦斯共采作业状态为高级协调时，若煤矿企业煤炭开采与瓦斯抽采效益能够实现煤矿盈利则其煤与瓦斯共采作业状态最终分级结果为高级协调；若煤矿企业煤炭开采与瓦斯抽采效益能够实现煤矿收支平衡则其煤与瓦斯共采作业状态最终分级结果为中级协调；若煤矿企业煤炭开采与瓦斯抽采效益维持收支平衡状态持续了一周以上，则煤与瓦斯共采状态的分级结果为初级协调；若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出则其煤与瓦斯共采作业状态最终分级结果为不协调；
[0115]
3)进行煤与瓦斯共采贝叶斯网络模型结构学习，将标准化处理后的煤与瓦斯共采作业指标数据代入k2算法进行数据学习，得到煤与瓦斯共采贝叶斯网络模型结构。步骤3)具体包括以下子步骤：
[0116]
3.1)确定煤与瓦斯共采贝叶斯网络模型结构的评分函数，用以评价所建立的煤与瓦斯共采贝叶斯网络模型结构的好坏。
[0117][0118]
式中，bs为具有最大后验概率的网络结构。d为数据集。n为样本变量数量。i为第i个变量。ri为选取的变量数量。j为变量父节点的第j个取值。k为第i个变量的第k个取值。n
ij
为包含节点变量的所有取值，并且该变量的父节点的第j个取值对应的记录数目。n
jik
为包含节点变量的所有取值，并且该变量的父节点的第j个取值对应的值，且变量的第k个取值。q为父节点，n，i，j，k∈n。p(bs,d)函数的分值越大，说明变量间的关联强度越好。
[0119]
3.2)确定煤与瓦斯共采贝叶斯网络模型结构的搜索策略，以找到最优的煤与瓦斯共采贝叶斯网络模型结构。其中，搜索策略选用贪心搜索策略。首先假设随机变量是有顺序的，如果xi在xj之前，那么不存在从xj到xi的连接线。同时假设每个变量最多的父变量个数为u。每次挑选使评分函数最大的父变量放入集合，当搜索过程无法使评分函数增大时，停止循环。
[0120]
4)进行煤与瓦斯共采贝叶斯网络模型参数学习，将标准化处理后的煤与瓦斯共采作业指标代入煤与瓦斯共采贝叶斯网络结构中进行参数学习，得到煤与瓦斯共采指标间的条件概率。将步骤3)得到的煤与瓦斯共采贝叶斯网络结构和条件概率结合，得到煤与瓦斯共采贝叶斯静态评价网络。煤与瓦斯共采贝叶斯静态评价网络能对前阶段煤矿企业煤与瓦斯共采作业数据进行分析评价，进而得到只考虑现阶段作业效果。
[0121]
5)对煤与瓦斯作业状态等级进行统计，得到煤与瓦斯贝叶斯转移网络的转移概率值。将步骤4)得到的煤与瓦斯共采静态贝叶斯静态评价网络和转移概率值结合，得到煤与瓦斯共采动态贝叶斯网络。煤与瓦斯共采动态贝叶斯网络能够以前一天煤与瓦斯共采作业效果为依据，评价当前煤与瓦斯共采作业效果。
[0122]
6)将煤与瓦斯静态贝叶斯网络评价结果pj和煤与瓦斯动态贝叶斯网络评价结果pd进行加权相加得到最终实时评价结果ps。
[0123]
静态评价结果与动态评价结果进行加权相加，其加权公式如下。
[0124]
ps＝αpj+βpd[0125][0126][0127]
将煤与瓦斯共采静态评价与动态评价进行结合，实现了对煤与瓦斯共采评价的动静结合。考虑了现阶段作业与上一阶段作业效果对此刻煤与瓦斯共采作业效果的影响。
[0128]
动静结合评价的实时评价方法阐明了煤与瓦斯共采作业的连续性，当前的作业受上一阶段作业影响的理念。同时煤与瓦斯共采作业状态也是实时更新的作业过程，每天更新的数据同样会影响到当前的作业状态。通过动静结合使得实时评价结果更加准确。
[0129]
7)对下一阶段煤与瓦斯共采作业进行动态预测评价与静态预测评价，并将动态评价预测结果与静态评价预测进行加权结合。步骤7)具体包括以下子步骤：
[0130]
7.1)基于当前作业数据对未来t+1、t+2、t+3和t+4阶段的煤与瓦斯共采作业状态进行预测。采用lstm预测算法对煤与瓦斯共采作业数据进行学习，预测未来t+1、t+2、t+3和t+4阶段的作业数据。
[0131]
7.2)将得到的未来t+1、t+2、t+3和t+4阶段作业预测数据代入煤与瓦斯共采动态贝叶斯模型中得到未来t+1、t+2、t+3、t+4阶段煤与瓦斯共采作业状态评价结果p
dt+1
、p
dt+2
、p
dt+3
和p
dt+4
。
[0132]
7.3)将得到的未来t+1、t+2、t+3和t+4阶段作业预测数据代入煤与瓦斯共采静态贝叶斯模型中得到未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态评价结果p
jt+1
、p
jt+2
、p
jt+3
和p
jt+4
。
[0133]
7.4)将动态评价预测结果与静态评价预测进行加权结合，得到未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态实时评价结果p
st+1
、p
st+2
、p
st+3
和p
st+4
。
[0134]
8)当未来t+1、t+2、t+3或t+4阶段存在非高级协调的状态时，制定调控方案。步骤8)具体包括以下子步骤：
[0135]
8.1)从煤与瓦斯共采作业指标中筛选出调控指标k1、k2、k3、
……
、kn′
。对各个煤与瓦斯共采作业指标从灵敏度大小和煤矿现场可操作性维度出发进行筛选。
[0136]
8.2)明确每个调控指标的动态调控值
△
d1、
△
d2、
△
d3、
……
、
△dn
′
。将动态调控值与现有调控指标值相加得到调控后的指标值k1、k2、k3、
……
、kn′
。每个调控指标动态调控后的值满足取值区间。
[0137]
8.3)得到调控后未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态。
[0138]
8.4)搜索最优的动态调控值
△
d1、
△
d2、
△
d3……△dn
′
，并与现有调控指标值值k1、k2、k3、
……
、kn′
相加，得到调控后的指标值k1、k2、k3、
……
、kn′
。步骤8.4)具体包括以下子步骤：
[0139]
8.4.1)制定目标函数。考虑煤矿企业生产实际确定。在煤与瓦斯共采作业过程中进行作业调控将增加一定的生产成本，因此，减小调控幅度，将一定程度控制生产成本的增加。同时，还需保障调控后的值仍旧能够保障未来t+1、t+2、t+3、t+4阶段煤与瓦斯共采作业
状态达到高级协调。由此可得动态调控目标函数。
[0140][0141]
8.4.2)制定搜索过程。本实施例中，采用天鹰智能优化算法搜索最优动态调控值。搜索过程具体包括以下子步骤：
[0142]
a)选择阶段。在目标函数内确定最优目标的大致范围，并不断更新搜索位置。
[0143]
pi″
+1
＝p
best
+α
′×r′
(p
mean-pi″
)
[0144]
式中，α
′
是对位置变化起到控制作用的参数，取值为[1.5，2]，r
′
是一个取值介于0和1之间的随机数。天鹰会根据前一个搜索区域附近选择一个新的区域作为新的搜索区域。p
best
为当前天鹰选取的最佳位置。p
mean
为当前搜索结束后天鹰的平均分布的位置。pi″
为第i
″
只天鹰的当前位置。pi″
+1
为更新后天鹰的位置。
[0145]
b)搜索阶段。天鹰在最优的煤与瓦斯作业状态动态调控值附近进行螺旋搜索，进而避免落入局部最优。
[0146]
θ(i
″
)＝a
×
π
×
rand
[0147]
r(i
″
)＝θ(i
″
)+r
×
rand
[0148][0149][0150]
xr(i
″
)＝r(i
″
)
×
sin(θ(i
″
))
[0151]
yr(i
″
)＝r(i
″
)
×
cos(θ(i
″
))
[0152]
pi″
+1
＝pi″
+y(i
″
)
×
(pi″-pi″
+1
)+x(i
″
)
×
(pi″-p
mean
)
[0153]
式中，θ取值在5和10之间的参数用于确定天鹰螺旋搜索的中心点与搜索位置之间的角。r的变化范围为[0.5，2]，用于确定搜索周期数。a单位取值范围为[0，5]。
[0154]
c)捕猎阶段。找到各调控指标的动态调控值。得到目标函数中最优的搜索位置，同时输出各调控指标的最优动态调控值。捕猎阶段位置更新公式如下式：
[0155]
pi″
+1
＝rand
×
p
best
+x1(i
″
)
×
(pi″-c1×
p
mean
)+y1(i
″
)
×
(pi″-c2×
p
best
)。
[0156]
8.4.3)优化搜索得到煤与瓦斯共采作业动态调控值
△
d1、
△
d2、
△
d3……△dn
′
，并与现有调控指标值k1、k2、k3……kn
′
相加，得到调控后的指标值k1、k2、k3……kn
′
。
[0157]
9)将调控后的作业数据用于下一阶段的煤与瓦斯共采作业指导，防范非高级协调状态发生。
[0158]
本实施例主要针对煤与瓦斯作业协调状态的实时判识与动态调控。本实施例创新性地将煤与瓦斯共采作业过程中的历史作业状态与现阶段作业状态相互结合实现综合评价，并依据煤与瓦斯共采作业大数据探索作业指标之间的相互联系，进而建立动态评价模型，保障评价结果的精确性、实时性与客观性。此外，通过智能预测算法与智能优化算法，预测下一阶段煤与瓦斯共采状态并动态化调控，从而预先防范煤与瓦斯共采不协调状态发生，保障煤与瓦斯共采高效协调。
[0159]
实施例6：
[0160]
本实施例主要步骤同实施例1，其中，步骤4.4)采用天鹰智能优化算法、遗传算法、
粒子群算法、模拟退火算法、鲸鱼优化算法等智能优化算法搜索最优动态调控值。
[0161]
实施例7：
[0162]
参见图5，本实施例主要步骤同实施例6，其中，步骤4.4)具体包括以下子步骤：
[0163]
a)选择阶段。在目标函数内确定最优目标的大致范围，并不断更新搜索位置。
[0164]
p
i+1
＝p
best
+α
×
r(p
mean-pi)
[0165]
式中，α是对位置变化起到控制作用的参数，取值为[1.5，2]，r是一个取值介于0和1之间的随机数。天鹰会根据前一个搜索区域附近选择一个新的区域作为新的搜索区域。p
best
为当前天鹰选取的最佳位置。p
mean
为当前搜索结束后天鹰的平均分布的位置。pi为第i只天鹰的当前位置。p
i+1
为更新后天鹰的位置。
[0166]
b)搜索阶段。天鹰在最优的煤与瓦斯作业状态动态调控值附近进行螺旋搜索，进而避免落入局部最优。
[0167]
θ(i)＝a
×
π
×
rand
[0168]
r(i)＝θ(i)+r
×
rand
[0169][0170][0171]
xr(i)＝r(i)
×
sin(θ(i))
[0172]
yr(i)＝r(i)
×
cos(θ(i))
[0173]
p
i+1
＝pi+y(i)
×
(p
i-p
i+1
)+x(i)
×
(p
i-p
mean
)
[0174]
式中，θ取值在5和10之间的参数用于确定天鹰螺旋搜索的中心点与搜索位置之间的角。r的变化范围为[0.5，2]，用于确定搜索周期数。a单位取值范围为[0，5]。
[0175]
c)捕猎阶段。找到各调控指标的动态调控值。得到目标函数中最优的搜索位置，同时输出各调控指标的最优动态调控值。捕猎阶段位置更新公式如下式：
[0176]
p
i+1
＝rand
×
p
best
+x1(i)
×
(p
i-c1×
p
mean
)+y1(i)
×
(p
i-c2×
p
best
)。
[0177]
实施例8：
[0178]
本实施例提供一种基础的煤与瓦斯共采作业协调状态实时判识与动态调控方法，包括以下步骤：
[0179]
1)获取煤矿现场作业实际监测数据，明确煤与瓦斯共采作业指标。其中，煤与瓦斯共采作业指标包括煤炭开采作业指标和瓦斯抽采作业指标。所述煤炭开采作业指标包括掘进进尺、回采进尺、矿压和采煤量。所述瓦斯抽采作业指标包括工作面风排瓦斯量、风速、瓦斯抽采量、残余瓦斯含量、钻屑量、
△
h2值、瓦斯放散初速度和钻孔进尺。
[0180]
2)将收集得到的煤与瓦斯共采作业指标数据进行数据清洗，剔除无效数据，并以作业时间顺序对指标数据进行排列组合，最后对指标数据进行标准化处理。依据煤矿现场煤与瓦斯共采作业状态划分煤与瓦斯共采等级。其中，将煤与瓦斯共采状态按照作业效率划分为高级协调、中级协调、初级协调和不协调4种等级。以待评价数据列为起始数据(t)，当煤矿企业第二列数据(t+1)中存在瓦斯问题需停工治理的情况，将待评价的煤与瓦斯共采作业状态定义为不协调。当煤矿企业第三列数据(t+2)中面临瓦斯问题需停工治理的情况，将待评价煤与瓦斯共采作业状态定义为初级协调。当煤矿企业第四列数据(t+3)中面临
瓦斯问题需停工治理的情况，将待评价的煤与瓦斯共采作业状态定义为中级协调。当煤矿企业第五列数据(t+4)或在此之后的数据才面临瓦斯问题需停工治理的情况，将此时的煤与瓦斯共采作业状态定义为高级协调。
[0181]
在实现煤与瓦斯共采作业状态分级的基础上，结合煤矿企业经济效益将煤与瓦斯共采状态按照经济效益划分为高级协调、中级协调、初级协调和不协调4种等级。当煤与瓦斯共采作业状态为不协调时，无论煤矿企业是否盈利其最终煤与瓦斯共采作业状态均为不协调。当煤与瓦斯共采作业状态为初级协调时，若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出时，则其最终煤与瓦斯共采作业状态为不协调，否则仍为初级协调。当煤与瓦斯共采作业状态为中级协调时，若煤矿企业煤炭开采与瓦斯抽采效益维持收支平衡持续一周以上，则此刻最终煤与瓦斯共采作业状态为初级协调，若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出时，则最终煤与瓦斯共采作业状态为不协调，若未出现上述两种状况，则煤与瓦斯共采作业状态仍为中级协调。当煤与瓦斯共采作业状态为高级协调时，若煤矿企业煤炭开采与瓦斯抽采效益能够实现煤矿盈利则其煤与瓦斯共采作业状态最终分级结果为高级协调。若煤矿企业煤炭开采与瓦斯抽采效益能够实现煤矿收支平衡则其煤与瓦斯共采作业状态最终分级结果为中级协调。若煤矿企业煤炭开采与瓦斯抽采效益维持收支平衡状态持续了一周以上，则煤与瓦斯共采状态的分级结果为初级协调。若煤矿企业煤炭开采与瓦斯抽采效益低于煤矿支出则其煤与瓦斯共采作业状态最终分级结果为不协调。
[0182]
3)对下一阶段煤与瓦斯共采作业进行动态预测评价与静态预测评价，并将动态评价预测结果与静态评价预测进行加权结合。其中，动态预测评价和静态预测评价通过煤与瓦斯共采指标变量预测模型与煤与瓦斯共采实时评价模型相结合实现。所述煤与瓦斯共采实时评价模型包括煤与瓦斯共采静态评价模型和煤与瓦斯共采动态评价模型。步骤3)具体包括以下子步骤：
[0183]
3.1)煤与瓦斯共采指标变量预测模型基于当前作业数据对未来t+1、t+2、t+3和t+4阶段的煤与瓦斯共采作业状态进行预测。
[0184]
3.2)将得到的未来t+1、t+2、t+3和t+4阶段预测指标变量数据代入煤与瓦斯共采静态评价模型中，得到在未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态评价结果p
dt+1
、p
dt+2
、p
dt+3
和p
dt+4
。
[0185]
3.3)将得到的未来t+1、t+2、t+3和t+4阶段作业预测数据代入煤与瓦斯共采动态评价模型中得到未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态评价结果p
jt+1
、p
jt+2
、p
jt+3
和p
jt+4
。展现现阶段煤与瓦斯共采效果对未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采效果的影响。
[0186]
3.4)将动态评价预测结果与静态评价预测进行加权结合，得到未来t+1、t+2、t+3和t+4阶段煤与瓦斯共采作业状态实时评价结果p
st+1
、p
st+2
、p
st+3
和p
st+4
。
[0187]
4)当未来t+1、t+2、t+3或t+4阶段存在非高级协调的状态时，制定调控方案。基于煤矿现场作业条件明确所能进行调控的调控变量。构建动态调控目标函数，采用智能优化模型实现在可行域内快速寻找目标函数最优值。通过得到的目标函数最优值进一步得到每个调控变量调控的最优值，进一步形成动态调控方案。
[0188]
本实施例实现了煤与瓦斯共采作业效果的实时精确评价与动态化调控，提高煤矿资源开发效率与安全性。建立了煤与瓦斯共采实时评判模型。实现了考虑历史作业与当前
作业相互影响的动静结合实时评价方法，突破了实时明确共采作业协调状态的技术难题。构建了煤与瓦斯共采作业动态调控模型，动态化调整共采作业方案，保障下一阶段煤与瓦斯共采作业状态处于高级协调状态。